CN119494284B 基于热管理的高压连接器故障预测方法及系统 （东莞市康瑞电子有限公司）

基于热管理的高压连接器故障预测方法及种基于热管理的高压连接器故障预测方法及系特性统计特征输入规定时间延迟热管理神经网2采集高压连接器的温度分布数据和电信号传输特性数据，并建立包含将所述温度动态特性统计特征输入规定时间延迟热管理神经网络进行信号传输延迟根据所述延迟预测特征参数计算传输特征空间中的加权误差值，对高压连接器的物理结构进行等间距网格划分，得到若干个包含温度对所述标准单元中的温度监测点进行温度采样，并基于热传导方程将所述温度分布数据输入热传导微分方程组进行热传导特性分析对所述标准单元中的信号监测点进行信号幅值、相位和时延采将所述电信号传输特性数据输入传输线方程组进行电磁场分析将所述单元级热一电耦合方程组代入能量守恒约束条件进行数值对所述热电耦合网络模型的热传导和电磁场耦合关系进行线性分离运算，得到热网将所述热网络子系统中的温度节点数据代入热传导方程组进行将所述传输特征函数代入非线性优化器进行信号失真最小化处理，得到优化约束条代序列；对所述优化迭代序列进行步长自适应调整和收敛性判断，得到满3对高压连接器在各个工作周期内采集的温度变化数据进行筛选分类，对所述温度时间序列数据进行高斯滤波去噪和中心化标准化处理对所述高维特征空间中的温度数据进行径向基函数变换和特征分基于所述最优参数集对温度变化轨迹进行高斯过程建模，得到描对所述温度变化统计量与所述温度一传输特征映射关系进行耦合性分将所述多维输入数据矩阵输入规定时间延迟热管理神经网络对所述热管理特征向量进行时序特征学习层处理，所述时序特将所述时序关联特征矩阵输入延迟预测主干网络层，所述延迟预测对所述初始延迟预测结果进行温度补偿层处理，所述温度补偿层包含将所述补偿后的延迟预测值输入多任务学习层，所述多任务学习层包含延迟预测分对所述多维预测特征集进行特征融合层处理，所述特征融合层包含跨4对所述延迟预测特征参数进行传输特征空间映射，将延迟误差、温度基于所述加权误差计算模型对传输特征空间进行误差分析，基于所述补偿策略参数集进行吉布斯采样和变分推断计算，对延迟补将所述加权误差值和延迟预测特征参数输入第一层贝叶斯推断器进行分布参数计算，将所述延迟补偿的初始分布参数与温度影响特征输入第二层贝叶斯推断器进行联合将所述状态转移矩阵与所述信号完整性指标输入第三层贝叶斯推断器进行概率场构转移概率序列；采集模块，用于采集高压连接器的温度分布数据和电信号传输特性延迟预测模块，用于将所述温度动态特性统计特征输入规定动态调整模块，用于根据所述延迟预测特征参数计算传输特征空间中的加权误差值，5法有效捕捉热电耦合效应对信号传输造成的综合影响，导致故障预测的准确性和可靠性[0009]将所述温度动态特性统计特征输入规定时间延迟热管理神经网络进行信号传输6[0020]图1是本发明实施例提供的基于热管理的高压连接器故障预测方法的流程示意[0021]图2是本发明实施例提供的基于热管理的高压连接器故障预测系统的结构示意性7[0027]可以理解的是，本申请的执行主体可以为基于热管理的高压连接器故障预测系元中的温度监测点进行温度采样。依赖高精度温度传感器获取每个单元的温度分布信息，输入传输线方程组进行电磁场分析，得到描述相邻单元之间电磁耦合行为的传输特性函8这种映射关系能够将温度变化与信号传输特性联系起来，构建温度变化的高维特征空间，[0033]步骤400、将温度动态特性统计特征输入规定时间延迟热管理神经网络进行信号9连接单元和规定时间约束单元构成。多头自注意力机制单元能够从不同的特征维度出发，模型能够捕捉延迟误差的主要来源，并量化温度变化和信号完整性对传输性能的具体影[0037]将加权误差值和延迟预测特征参数输入到第一层贝叶斯推断器中进行分布参数温度延迟概率函数进行转移概率矩阵的构建。转移概率矩阵是描述系统状态变化的重要斯推断器通过将状态转移矩阵与信号完整性特征相结合，生成一个马尔可夫随机场结构。状态转移概率序列。条件概率采样通过在固定其他状态条件下对当前状态的概率进行计在全局范围内最优。补偿策略参数集包含针对不同温度变化和信号状态的最优补偿方案，能够动态调整延迟补偿以适应高压连接器复[0045]将单元级热电耦合方程组代入能量守恒约束条件进行数值求解，得到温度节点信号幅值、相位和时延的采样。假设在单元i中，采样得到的信号幅值为v(t)、相位为[0060]对热电耦合网络数学模型的热传导和电磁场耦合关系进行线性分离运算，得到[0062]将传输特征函数代入非线性优化器进行信号失真最小化处理，得到优化约束条列；c为热电[0067]C=H+B；电网络子系统的信号传输参数构建增益特性矩阵和相位响应特性矩阵。增益特性矩阵G1;描述信号在节点i和节点j之间的放大或衰减，其基本形式为：0"分别为计算值。通过设置优化i和j的协方差，on和or,分别表示温度节点i剧烈的温度异常变化。利用规则定义或监督学习方法，将数据标注为Thorna1(t)和oi分别表示序列的均值和标准差。中心化和标准化的征[0101]对初始延迟预测结果进行温度补偿层处理，温度补偿层包含温度扰动分析单元、[0103]对多维预测特征集进行特征融合层处理，特征融合层包含跨模态特征融合单元、理的多维输入数据矩阵。假设温度动态特性统计特征包括温度变化率(描述温度随时间的变化速率)、温度分布特征Dr(描述空间上温度的分布情况)、信号完整性指标IS;传导特征分析单元通过模拟热传导过程，将温度分布特征转化为能反映热流行为的特补偿层包括温度扰动分析单元(分析温度对延性函数对偏差进行修正)和动态校正单元(根据实性变化。通过定义一个映射函数faa,(AT,Tiaw=[,；；[0135]Ar(tt1)~p(ArIX,p)；[0138]其中a(Ar)是近似分布。通过结合吉布斯采样和变分推断，得到补偿后的信号[0140]将加权误差值和延迟预测特征参数输入第一层贝叶斯推[0141]将延迟补偿的初始分布参数与温度影响特征输入第二层贝叶斯推断器进行联合迟补偿的初始分布参数与温度影响特征Tinpacr输入到第二层贝叶斯推断器中，进行联合(AT,；；实施例中基于热管理的高压连接器故障预测系统10一[0168]动态调整模块15，用于根据延迟预测特征参数计算传输特征空间中的加权误差[0169]通过上述各个组成部分的协同